[發明專利]基于卷積神經網絡的影像臟污檢測方法及系統

在審

• 申請號: 202210033444.X
• 申請日: 2022-01-12
• 公開（公告）號: CN114359253A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 謝演軍;蘇啟雄;林映庭;宋凱靜;鄧賢林;何健;涂強
• 申請（專利權）人: 盛泰光電科技股份有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 重慶強大凱創專利代理事務所(普通合伙) 50217
• 代理人: 蒙捷

1.基于卷積神經網絡的影像臟污檢測系統，其特征在于，包括：

采集模塊，用于獲取訓練圖像集，訓練圖像集內圖像均具有臟污標記；

訓練模塊，預存有卷積神經網絡模型，用于將訓練圖像集中的圖像輸入卷積神經網絡模型進行訓練，得到訓練結束的卷積神經網絡模型；

初步驗證模塊，用于獲取不良品攝像頭模組的圖像，輸入訓練結束的卷積神經網絡模型，基于卷積神經網絡模型的檢測結果判斷正確率是否滿足預設標準，若滿足，標記為訓練完成的卷積神經網絡模型，若不滿足，獲取判斷錯誤的圖像，建立誤判圖像集，基于誤判圖像集再次對卷積神經網絡模型進行訓練，直至正確率滿足預設標準；

批量驗證模塊，用于獲取生產線上攝像頭模組的圖像，輸入訓練完成的卷積神經網絡模型，將卷積神經網絡模型輸出的檢測結果與生產線原有的檢測結果進行對比，判斷卷積神經網絡模型檢測結果與生產線原有的檢測結果的擬合度是否超過第一閾值，若超過，標記為驗證通過的卷積神經網絡模型。

2.根據權利要求1所述的基于卷積神經網絡的影像臟污檢測系統，其特征在于：所述檢測結果包括缺陷坐標和坐標位置的灰度值。

3.根據權利要求2所述的基于卷積神經網絡的影像臟污檢測系統，其特征在于：還包括篩選模塊，預存有圖像判定標準，圖像判定標準包含圖像的區域劃分以及對應區域的卡控閾值；篩選模塊用于根據缺陷坐標確定所屬區域，再判斷坐標位置的灰度值是否超過對應區域的卡控閾值，若超過，判斷為不良圖像。

4.根據權利要求1所述的基于卷積神經網絡的影像臟污檢測系統，其特征在于：所述訓練圖像集包含若干不同像素、不同長寬比以及不同色溫的圖像。

5.根據權利要求1所述的基于卷積神經網絡的影像臟污檢測系統，其特征在于：所述生產線包括若干站位，站位包括檢測模塊；批量驗證模塊用于獲取生產線選定站位上的攝像頭模組的圖像，輸入訓練完成的卷積神經網絡模型，將卷積神經網絡模型輸出的檢測結果與站位原有檢測模塊的檢測結果進行對比。

6.根據權利要求5所述的基于卷積神經網絡的影像臟污檢測系統，其特征在于：所述批量驗證模塊還用于計算當前生產線選定站位上卷積神經網絡模型輸出檢測結果的速度，與當前生產線選定站位上原有檢測模塊輸出檢測結果的速度的比值，判斷比值是否大于第二閾值；

若大于第二閾值，批量驗證模塊還用于獲取當前生產線上其他站位攝像頭模組的圖像，輸入訓練完成的卷積神經網絡模型，將卷積神經網絡模型輸出的檢測結果與當前生產線其他站位中檢測模塊的檢測結果進行對比。

7.基于卷積神經網絡的影像臟污檢測方法，其特征在于，包括如下步驟：

S1、獲取訓練圖像集，訓練圖像集內圖像均具有臟污標記；

S2、將訓練圖像集中的圖像輸入卷積神經網絡模型進行訓練，得到訓練結束的卷積神經網絡模型；

S3、獲取不良品攝像頭模組的圖像，輸入訓練結束的卷積神經網絡模型，基于卷積神經網絡模型的檢測結果判斷正確率是否滿足預設標準，若滿足，標記為訓練完成的卷積神經網絡模型，轉跳至S4，若不滿足，獲取判斷錯誤的圖像，建立誤判圖像集，基于誤判圖像集再次對卷積神經網絡模型進行訓練，直至正確率滿足預設標準；

S4、獲取生產線上攝像頭模組的圖像，輸入訓練完成的卷積神經網絡模型，將卷積神經網絡模型輸出的檢測結果與生產線原有的檢測結果進行對比，判斷卷積神經網絡模型檢測結果與生產線原有的檢測結果的擬合度是否超過第一閾值，若超過，標記為驗證通過的卷積神經網絡模型。

8.根據權利要求7所述的基于卷積神經網絡的影像臟污檢測方法，其特征在于：所述步驟S4中，檢測結果包括缺陷坐標和坐標位置的灰度值。

9.根據權利要求8所述的基于卷積神經網絡的影像臟污檢測方法，其特征在于：還包括步驟S5、根據檢測結果中缺陷坐標確定缺陷所屬的圖像區域，再判斷坐標位置的灰度值是否超過對應區域的卡控閾值，若超過，判斷為不良圖像。

10.根據權利要求9所述的基于卷積神經網絡的影像臟污檢測方法，其特征在于：所述步驟S5中，將圖像劃分為若干區域，在每一區域單獨設置卡控閾值。